(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111552360.9 (22)申请日 2021.12.17 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田街道益田 路5033号平安金融中心12、 13、 38、 39、 40、 62层 (72)发明人 钱成越　郑越　王创　吴梦娟　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 代理人 高杰　于志光 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/08(2012.01) G06Q 50/08(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 建筑物损毁预测方法、 装置、 电子设备及可 读存储介质 (57)摘要 本发明涉及人工智能技术， 揭露了一种建筑 物损毁预测方法， 包括： 获取原始建筑图像训练 集合， 对所述原始建筑图像训练集合中的图像进 行数据标注处理， 得到标注建筑图像训练集合， 对所述标注建筑图像训练集合中的图像进行数 据增广处理， 得到标准建筑图像训练集合， 利用 所述标准建筑图像训练集合训练预构建的卷积 神经网络， 得到建筑损毁预测模型， 利用所述建 筑损毁预测模 型对待检测图像进行预测， 得到损 毁预测结果。 此外， 本发 明还涉及区块链技术， 所 述损毁预测结果可存储在区块链的节 点中。 本发 明还提出一种建筑物损毁预测方法装置、 电子设 备以及计算机可读存储介质。 本发 明可以解决建 筑物损毁情况 预测效率较低的问题。 权利要求书2页 说明书12页 附图2页 CN 114186751 A 2022.03.15 CN 114186751 A 1.一种建筑物损毁预测方法， 其特 征在于， 所述方法包括： 获取原始建筑图像训练集合， 对所述原始建筑图像训练集合中的图像进行数据标注 处 理， 得到标注建筑图像训练集 合； 对所述标注建筑图像训练集合中的图像进行数据增广处理， 得到标准建筑图像训练集 合； 利用所述标准建筑图像训练集合训练预构建的卷积神经网络， 得到建筑损毁预测模 型； 利用所述建筑损毁预测模型对待检测图像进行 预测， 得到损毁预测结果。 2.如权利要求1所述的建筑物损毁预测方法， 其特征在于， 所述对所述原始建筑图像训 练集合中的图像进行 数据标注处 理， 得到标注建筑图像训练集 合， 包括： 利用预设的标注工具对所述原始建筑图像训练集合中的建筑物进行框选， 得到建筑物 标注框； 利用预设的标注标签对所述建筑物标注框中的建筑物进行标注， 汇总所有标注完成的 建筑物图像， 得到所述标注建筑图像训练集 合。 3.如权利要求2中所述的建筑物损毁预测方法， 其特征在于， 所述对所述标注建筑图像 训练集合中的图像进行 数据增广处 理， 得到标准建筑图像训练集 合， 包括： 依次选取 所述标注建筑图像训练集 合中的图像作为目标图像； 对所述目标图像进行图像翻转、 图像缩放及图像平 移处理， 得到多个增广图像； 汇总所有的目标图像及所述目标图像对应的多个增广图像， 得到所述标准建筑图像训 练集合。 4.如权利要求3所述的建筑物损毁预测方法， 其特征在于， 所述对所述目标图像进行图 像翻转、 图像缩放及图像平 移处理， 得到多个增广图像， 包括： 根据所述目标图像中的建筑物标注框 选取关键点； 基于所述关键点及预设的翻转角度、 预设的缩放比例及预设的平移距离对所述目标图 像进行翻转、 缩放及平 移， 得到所述多个增广图像。 5.如权利要求1所述的建筑物损毁预测方法， 其特征在于， 所述利用所述标准建筑图像 训练集合训练预构建的卷积神经网络， 得到建筑损毁预测模型， 包括： 对所述标准建筑图像训练集 合进行分批处 理， 得到多个分批图像集 合； 利用所述卷积神经网络对所述多个分批图像集合中图像进行预测分类， 得到预测标 签； 基于所述预测标签及所述标注标签得到所述卷积神经网络的损失值， 基于所述损失值 更新所述卷积神经网络的各层参数， 直至所述损失值满足预设的损失条件时， 停止训练， 得 到所述建筑损毁预测模型。 6.如权利要求5所述的建筑物损毁预测方法， 其特征在于， 所述利用所述卷积神经网络 对所述多个分批图像集 合中图像进行 预测分类， 得到预测标签， 包括： 利用所述卷积神经网络中的压缩路径对所述多个分批图像集合中的图像进行降采样 处理， 得到压缩图像集 合； 利用所述卷积神经网络 中的扩展路径对所述压缩图像集合中的图像进行反卷积处理， 得到反卷积图像集 合；权　利　要　求　书 1/2 页 2 CN 114186751 A 2对所述压缩图像集合及所述反卷积图像集合进行图像拼接， 并对拼接后的图像集合进 行特征提取， 得到特 征图像集 合； 利用所述卷积神经网络中的分类层输出所述特征图像集合中图像的预测标签及预测 标签对应的预测概 率。 7.如权利要求1所述的建筑物损毁预测方法， 其特征在于， 所述利用所述建筑损毁预测 模型对待检测图像进行 预测， 得到损毁预测结果， 包括： 根据所述待检测图像中的待检测建筑物构建 建筑物轮廓矢量数据； 将所述待检测图像与所述建筑物轮廓矢量数据进行叠加， 得到建筑物影 像块； 利用所述建筑损毁预测模型输出 所述建筑物影 像块的损毁预测结果。 8.一种建筑物损毁预测装置， 其特 征在于， 所述装置包括： 数据标注模块， 用于获取原始建筑图像训练集合， 对所述原始建筑图像训练集合中的 图像进行 数据标注处 理， 得到标注建筑图像训练集 合； 数据增广模块， 用于对所述标注建筑图像训练集合中的图像进行数据增广处理， 得到 标准建筑图像训练集 合； 模型训练模块， 用于利用所述标准建筑图像训练集合训练预构建的卷积神经网络， 得 到建筑损毁预测模型； 损毁预测模块， 用于利用所述建筑损毁预测模型对待检测图像进行预测， 得到损毁预 测结果。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使 所述至少一个处理器能够执行如权利要求 1至7中任意一项 所 述的建筑物损毁预测方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任意 一项所述的建筑物损毁预测方法。权　利　要　求　书 2/2 页 3 CN 114186751 A 3